Réponse courte : Les systèmes de paris sportifs sont des règles qui servent à estimer des issues, à choisir des cotes, à dimensionner les mises ou à combiner des sélections. Ce sont des tâches différentes. Une règle de mise ne peut pas, à elle seule, transformer des sélections à espérance de gain négative en un processus à espérance de gain positive, avec les mêmes cotes et les mêmes probabilités conditionnelles. Les modèles statistiques peuvent être testés, mais un gain historique n'est pas la preuve d'un avantage durable. Les questions utiles sont les suivantes : quelles hypothèses fait un système, comment ses probabilités se comparent-elles aux cotes disponibles, et ses résultats résistent-ils à un test réaliste sur des données jamais vues auparavant ?
Ce guide sépare les mathématiques du marketing. Il présente les principales familles de systèmes, détaille les calculs et décrit à quoi ressemblerait une preuve crédible. Il s'agit d'une synthèse pédagogique réalisée par ABV Tips, un éditeur de pronostics sportifs qui a un intérêt commercial dans ce sujet. Ce n'est ni une étude indépendante auditée, ni une incitation à parier, ni une affirmation qu'un système garantit un profit.
Sauf indication contraire, les exemples utilisent des cotes décimales hypothétiques, des mises exprimées en unités abstraites et des paris à deux issues de règlement : gain total ou perte totale. Les retours incluent la mise initiale ; les profits l'excluent. Sur les marchés réels, il peut y avoir des matchs nuls, des remboursements, des règlements partiels, une commission, des taxes et d'autres conditions qui modifient les calculs. Les exemples illustrent des mécanismes, et non des prévisions de rendements accessibles.
Que signifie « système de paris sportifs » ?
L'expression désigne plusieurs choses qu'il faut évaluer séparément.
| Type de système | Question à laquelle il répond | Exemples | Principale limite |
|---|---|---|---|
| Modèle de prévision | Quelle est la probabilité de chaque issue ? | Modèles de Poisson, notes de force, régression logistique, apprentissage automatique | Les probabilités estimées peuvent être fausses ou devenir obsolètes |
| Règle de sélection | Quelles cotes disponibles passent un test déclaré ? | Un seuil comparant la probabilité du modèle à la cote proposée | Un seuil n'est utile que si les probabilités et les cotes sous-jacentes sont crédibles |
| Règle de mise | Quelle somme est exposée sur chaque sélection ? | Mises fixes, fractions fixes, Kelly, progressions sur les pertes | Changer la taille des mises n'établit pas un avantage |
| Structure de combinaison | Comment plusieurs sélections sont-elles regroupées ? | Paris combinés, doubles, round robins et paris système | Les probabilités conjointes et l'exposition totale comptent |
| Processus d'exécution | L'opportunité enregistrée peut-elle réellement être obtenue ? | Relevé horodaté des cotes, règles de règlement et limites d'exposition | Un résultat théorique peut ne pas survivre à l'exécution réelle |
Un processus complet peut contenir les cinq éléments. Qualifier un processus de « piloté par les données » ne dit pas grand-chose de la validité de chacun de ses composants. Un modèle de prévision très sophistiqué peut être associé à une règle de mise dangereuse ; une règle de mise prudente peut être associée à un modèle imprécis.
Il existe aussi un piège terminologique. Un pari système peut désigner un ensemble de combinaisons plus petites, par exemple tous les doubles formés à partir de quatre sélections. Il s'agit d'une structure de pari, pas nécessairement d'un système statistique permettant de repérer des cotes favorables.
La littérature académique fournit des exemples concrets de cette distinction. Dixon et Coles ont développé un modèle de scores de football et examiné une stratégie de paris qui en découle. Les travaux de Kelly portent sur l'allocation du capital lorsque les probabilités et les gains sont spécifiés. Ce sont des questions liées, mais non interchangeables. Dixon et Coles, 1997 ; Kelly, 1956.
Les bases mathématiques : probabilité, cote et espérance de gain
Cotes décimales et probabilité du seuil de rentabilité
À des cotes décimales d, une mise gagnante d'une unité rapporte d unités, mise initiale comprise. Son profit net est d − 1. Une mise perdante fait perdre une unité.
Si la vraie probabilité de gain est p, l'espérance de gain nette par unité misée est :
EV = p × (d − 1) − (1 − p) = p × d − 1
« Espérance » signifie une moyenne pondérée par les probabilités, et non ce que rapportera la prochaine sélection. La probabilité du seuil de rentabilité, pour ce règlement simple, est :
p_seuil = 1 / d
À une cote de 1.90, la probabilité de seuil est d'environ 52.63%. Un taux de réussite de 50% à cette cote perd de l'argent en moyenne, même si les gains et les pertes surviennent aussi souvent l'un que l'autre.
La même prévision peut être intéressante à une cote et non à une autre
Supposons qu'un modèle attribue à une issue 55% de chances de gagner. Cette probabilité est une hypothèse de l'exemple ; elle n'a pas été établie comme exacte.
| Cote décimale | Probabilité de gain supposée | Profit net espéré par unité | Interprétation dans cette hypothèse |
|---|---|---|---|
| 1.70 | 55% | −0.065 unité | −6.5% de rendement espéré sur la mise |
| 1.80 | 55% | −0.010 unité | −1.0% de rendement espéré sur la mise |
| 1.90 | 55% | +0.045 unité | +4.5% de rendement espéré sur la mise |
| 2.00 | 55% | +0.100 unité | +10.0% de rendement espéré sur la mise |
Le tableau n'identifie pas une opportunité rentable. Il montre pourquoi une sélection ne peut pas être jugée sans sa cote. Si l'estimation de 55% est trop élevée, l'avantage apparent peut disparaître.
Il explique aussi pourquoi un taux de réussite élevé ne suffit pas. Un système qui gagne 70% de ses sélections à une cote de 1.30 a une espérance de gain de 0.70 × 1.30 − 1 = −0.09, soit −9% par unité. Un système qui gagne moins souvent peut avoir un meilleur rendement si ses sélections gagnantes sont payées à des cotes suffisamment plus élevées.
Les remboursements et les règlements partiels ont leurs propres probabilités
Si un pari peut être gagnant, remboursé ou perdant, utilisez les probabilités des trois issues. Pour un remboursement intégral (push) :
EV = p_gain × (d − 1) − p_perte
Un pari remboursé ne contribue à aucun profit net. Un demi-gain ou une demi-perte contribue son gain ou sa perte fractionnaire réelle. Réduire ces règlements à une simple étiquette gagné/perdu peut fausser à la fois l'espérance de gain et les statistiques de performance.
Notre guide du handicap asiatique explique le mécanisme de règlement ; le point pertinent ici est que le modèle mathématique doit correspondre au contrat réel.
Les cotes contiennent une marge, pas un ensemble de probabilités réelles prêtes à l'emploi
Pour un marché comportant des issues mutuellement exclusives et exhaustives, de cotes décimales d₁, d₂, …, calculez les probabilités implicites brutes qᵢ = 1 / dᵢ.
Leur somme est souvent supérieure à un. L'excédent par rapport à un s'appelle l'overround :
overround = Σ(1 / dᵢ) − 1
Par exemple, considérons un marché hypothétique à deux issues avec une cote de 1.90 pour chacune. Les probabilités implicites brutes sont de 52.63% et 52.63%, soit un total de 105.26%. Son overround est d'environ 5.26 points de pourcentage.
Si les issues sont réellement équiprobables, la perte espérée sur chacune des sélections est de 5% de la mise : 0.50 × 1.90 − 1 = −0.05. Notez que l'overround de 5.26% et la perte espérée de 5% sont des grandeurs différentes. L'overround n'est pas automatiquement le taux de profit réalisé par l'opérateur, ni la perte espérée sur chaque sélection possible.
Retirer l'overround est un choix d'estimation
Une première approximation courante consiste à diviser chaque probabilité implicite brute par la somme de toutes les probabilités :
pᵢ_normalisée = qᵢ / Σqⱼ
Cela produit des probabilités dont la somme vaut un, mais cela suppose une certaine répartition de la marge. Cela ne révèle pas les vraies probabilités. D'autres méthodes font des hypothèses différentes sur la manière dont les cotes sont déformées, notamment les effets favori–outsider.
Štrumbelj a examiné les méthodes permettant de dériver des prévisions de probabilité à partir des cotes de paris. L'implication pratique est qu'une « probabilité juste » déduite d'un marché doit être présentée comme une estimation produite par une méthode déclarée, et non comme un fait observé. Štrumbelj, 2014.
Pourquoi les cotes du marché sont une référence utile, et non un oracle
Les cotes agrègent de l'information et des décisions commerciales. Elles peuvent refléter une compétence de prévision, les préférences des clients, l'exposition au risque et la concurrence entre opérateurs. Il ne faut pas supposer qu'elles sont parfaitement exactes, ni qu'elles sont ajustées mécaniquement pour égaliser les sommes misées sur chaque issue.
L'étude de Levitt sur un jeu de données de paris sur le football américain a trouvé des indices d'exposition délibérée et d'exploitation des biais des parieurs. Elle remet en cause l'explication simpliste selon laquelle « le bookmaker équilibre toujours son book ». Ses résultats décrivent le marché et la période étudiés, et non chaque sport, chaque opérateur ou chaque marché moderne. Levitt, 2004.
Systèmes de prévision : ce que les modèles estiment réellement
Notes de force et régression
Les modèles à notes résument la force relative des équipes ou des joueurs. Les modèles de régression relient des prédicteurs, comme la force estimée et l'avantage du terrain, à une issue ou à une distribution de probabilités.
La famille de régression doit correspondre à la cible. La régression logistique peut modéliser un résultat binaire ; les modèles multinomiaux peuvent représenter plusieurs catégories de résultats ; les modèles de comptage peuvent représenter des buts ou des points. La régression linéaire ordinaire est un outil parmi d'autres, et non la solution par défaut à toutes les issues sportives.
L'utilité prédictive diffère aussi de la causalité. Une variable peut améliorer une prévision sans qu'on ait montré qu'elle cause le résultat. Inversement, une explication causale plausible ne démontre pas qu'elle apporte une information prédictive au-delà de ce que contient déjà la cote.
Modèles de Poisson pour le football et Dixon–Coles
Un modèle de Poisson de base traite le nombre de buts d'une équipe comme une variable aléatoire dont le taux espéré, souvent noté λ, est donné :
P(G = k) = exp(−λ) × λ^k / k!
Ici k est un nombre de buts non négatif et k! est sa factorielle. Avec un modèle pour les scores des deux équipes, les probabilités des scores exacts peuvent être additionnées pour obtenir les probabilités de victoire à domicile, de match nul, de victoire à l'extérieur ou d'un marché de totaux.
À titre d'illustration, si un modèle de Poisson indépendant attribue 1.5 but attendu à l'équipe à domicile et 1.0 à l'équipe à l'extérieur, sa probabilité d'un score de 0–0 est :
P(0–0) = exp(−1.5) × exp(−1.0) = exp(−2.5) ≈ 8.21%
Ce nombre découle du modèle supposé. Ce n'est pas la preuve qu'un match réel a cette probabilité. Parmi les limites du modèle figurent l'évolution de la force des équipes et la dépendance entre les deux processus de score.
L'article de Dixon et Coles de 1997 développe une approche par régression de Poisson pour les scores de football, qui tient compte de la nature dynamique des performances des équipes, et examine une stratégie de paris dérivée à partir de cotes historiques. Le rendement historique rapporté est une preuve concernant le modèle et l'échantillon de cette étude. Il n'établit pas que la même approche produira un rendement positif aux cotes actuelles. Dixon et Coles, 1997.
L'apprentissage automatique change la classe de modèle, pas la charge de la preuve
Les ensembles d'arbres, les réseaux de neurones et d'autres méthodes flexibles peuvent représenter des relations complexes. Ils peuvent aussi ajuster le bruit, exploiter une fuite accidentelle de données ou bien performer sur un jeu de test qui a discrètement influencé le développement.
Un modèle utilisant davantage de variables n'est pas nécessairement un meilleur estimateur de probabilités. Sa performance dépend de la qualité des données, de la définition de la cible, de la régularisation, de la conception de la validation et des changements dans le sport sous-jacent. Les principes de sélection et d'évaluation des modèles sont largement discutés dans The Elements of Statistical Learning. Hastie, Tibshirani et Friedman, 2009.
Pour tout modèle, demandez-vous quelles informations étaient disponibles au moment de la prévision. Une prévision « avant-match » construite avec la composition de départ réelle n'est pas comparable à une cote relevée avant l'annonce de cette composition.
Règles de sélection : une prévision n'est qu'un élément
Une règle de sélection fait correspondre des probabilités et des cotes disponibles à une décision déclarée. Par exemple, une règle analytique peut signaler des sélections à examiner lorsque l'espérance de gain estimée dépasse un seuil.
Ce seuil ne peut pas corriger un modèle mal calibré. Si un modèle surestime systématiquement la probabilité d'une issue, sélectionner ses plus grands avantages apparents peut concentrer l'exposition sur ses plus grosses erreurs.
Un registre transparent doit distinguer :
- La probabilité du modèle avant que le résultat ne soit connu.
- La cote disponible au même moment de la décision.
- Le calcul utilisé pour comparer cette probabilité à cette cote.
- La règle d'inclusion ou d'exclusion.
- Le traitement des cotes indisponibles, des marchés modifiés et des sélections annulées.
Ces détails comptent davantage qu'une étiquette comme « système de value ». Pour une introduction plus courte au concept, consultez notre guide du value bet.
Systèmes de mise : contrôler l'exposition est une tâche distincte
Mises fixes
La mise fixe consiste à miser le même montant nominal sur chaque sélection. Une mise d'une unité reste une unité, que la sélection précédente ait gagné ou perdu.
Son principal intérêt analytique est la comparabilité. Les résultats sont moins influencés par une décision d'augmenter l'exposition juste avant une série gagnante. Toutefois, une unité nominale fixe représente une part croissante d'un solde qui diminue, et une part plus faible d'un solde qui augmente.
La mise fixe n'établit pas une espérance de gain positive. Elle fixe simplement une partie du processus.
Fraction fixe du solde
Une règle de fraction fixe expose une fraction déterminée du solde actuel. À 2%, un solde de 100 unités implique une mise de deux unités ; après une perte, un solde de 98 unités implique une mise de 1.96 unité.
Après dix pertes consécutives complètes à cette fraction, le solde est de :
100 × 0.98^10 ≈ 81.71 unités
Le drawdown est d'environ 18.29%, au lieu des 20% produits par dix pertes fixes de deux unités. Cela illustre comment l'exposition évolue ; cela ne montre pas qu'une règle de 2% est appropriée ou sûre.
Dans un modèle idéalisé où les mises sont divisibles et la fraction strictement inférieure à 100%, le solde n'atteint pas exactement zéro après un nombre fini de pertes ordinaires. En pratique, le solde peut devenir inutilisablement faible, les mises minimales comptent, et de forts drawdowns restent possibles. « Ne jamais atteindre mathématiquement zéro » n'est pas la même chose que « ne peut pas ruiner le budget ».
Progressions positives et négatives
Les progressions modifient la taille des mises en fonction des résultats précédents. Les progressions négatives augmentent l'exposition après les pertes. Les progressions positives l'augmentent après les gains, souvent avec une règle de remise à zéro.
Parmi les exemples figurent la Martingale, Fibonacci, D'Alembert et les règles de type Paroli. Leurs suites diffèrent, mais la question centrale reste la même : la prochaine sélection a-t-elle une espérance de gain conditionnelle positive à sa cote disponible, et combien de risque la mise ajoute-t-elle ?
Une suite de tailles de mises n'est pas une preuve que les sélections elles-mêmes sont favorables.
Pourquoi la Martingale ne supprime pas le désavantage sous-jacent
L'exemple classique de la Martingale double la mise après chaque perte et revient à la mise initiale après un gain. Son calcul standard suppose des gains nets à égalité de chances, équivalents à des cotes décimales de 2.00, sans coûts ni complications de règlement.
En partant d'une unité, six mises perdantes consécutives représentent :
1 + 2 + 4 + 8 + 16 + 32 = 63 unités
La mise suivante serait de 64 unités. Si elle gagne à 2.00, elle produit 64 unités de profit net, qui compensent la perte précédente de 63 unités et laissent une unité. Mais la placer exige 64 unités supplémentaires alors que 63 unités ont déjà été perdues : cela représente 127 unités de capacité de financement cumulée pour ce parcours.
Cela crée de nombreux petits gains par cycle et une perte moins fréquente mais beaucoup plus importante lorsqu'une contrainte de bankroll, une limite de mise ou une règle d'arrêt empêche de poursuivre. Un fort pourcentage de cycles réussis peut donc coexister avec de mauvais résultats espérés.
Que se passe-t-il à des cotes inférieures à 2.00 ?
À des cotes décimales de 1.90, le simple doublement ne permet pas toujours de récupérer les pertes accumulées. Après des pertes de une et deux unités, un gain de quatre unités produit 4 × 0.90 = 3.60 unités de gains nets, laissant un profit de cycle de 0.60 unité. Après des pertes de une, deux et quatre unités, un gain de huit unités produit 7.20 unités, ne laissant que 0.20 unité. Après des pertes de une, deux, quatre et huit unités, un gain de 16 unités produit 14.40 unités face aux 15 unités déjà perdues : le cycle perd encore 0.60 unité.
Pour viser un profit de cycle déterminé à des cotes fixes d, la mise suivante requise serait plutôt :
mise suivante = (pertes accumulées + profit visé) / (d − 1)
À des cotes inférieures à 2.00, cette exigence de récupération augmente plus vite que la suite de doublements habituelle. Elle suppose aussi que la mise requise et la cote restent disponibles.
La raison générale de l'absence d'espérance de gain
Supposons qu'une mise sₜ soit choisie uniquement à partir des informations disponibles avant la sélection t. Soit pₜ sa probabilité conditionnelle de gain et dₜ sa cote décimale. Son profit net espéré conditionnel est :
E[profitₜ | informations disponibles] = sₜ × (pₜ × dₜ − 1)
Si pₜ × dₜ − 1 n'est pas positif lorsqu'une mise non négative est placée, changer sₜ ne rend pas cette espérance conditionnelle positive. Sur une séquence finie et déterminée, ou sur un processus aux mises bornées et à horizon d'arrêt borné, la somme de ces espérances de profit conserve cette conclusion. Un argument « continuer indéfiniment » exige des hypothèses mathématiques supplémentaires et ne décrit pas une bankroll finie.
Le raisonnement n'exige pas que chaque sélection soit indépendante. Il exige que l'hypothèse d'espérance conditionnelle tienne compte des informations utilisées pour choisir la mise. Si une information pertinente change réellement, l'estimation de probabilité doit être réévaluée ; une suite de pertes ne suffit pas à dire qu'un gain est désormais dû.
Les règles de stop-loss et de stop-win peuvent modifier l'exposition, la durée des sessions et la distribution des résultats. Sous ces mêmes hypothèses, elles ne créent pas d'espérance de gain positive.
Le critère de Kelly : un objectif de croissance aux hypothèses exigeantes
Le critère de Kelly répartit le capital de façon à maximiser l'espérance de croissance logarithmique de la richesse, sous un modèle déterminé. L'article original de Kelly a paru en 1956 ; des travaux ultérieurs traitent de ses applications aux jeux d'argent et aux marchés financiers. Kelly, 1956.
Pour un pari simple à gain total ou perte totale, posons :
pla probabilité de gain.q = 1 − pla probabilité de perte.b = d − 1les gains nets à la cote.fla fraction de la richesse exposée.
La croissance logarithmique espérée pour une telle opportunité est :
g(f) = p × ln(1 + b × f) + q × ln(1 − f)
L'optimum intérieur sans contrainte est :
f* = (b × p − q) / b = (p × d − 1) / (d − 1)
Dans un cadre qui n'autorise que le pari sur la sélection, un résultat non positif signifie qu'aucune allocation positive n'existe sous ce modèle. Ce n'est pas une instruction de placer une mise négative. D'autres contraintes doivent aussi être appliquées.
Un exemple de Kelly détaillé
Supposons une cote de 1.90 et une probabilité de gain réellement exacte de 55% :
f* = (0.55 × 1.90 − 1) / 0.90 = 0.05
La fraction de Kelly complet du modèle est de 5%. Le demi-Kelly serait de 2.5% ; le quart de Kelly serait de 1.25%.
Ce sont des résultats d'hypothèses fictives, et non des tailles de mise personnelles recommandées. Une allocation en Kelly complet peut subir de forts drawdowns même si les probabilités sont correctes. Elle maximise un objectif particulier de croissance à long terme, et non la probabilité de gagner la prochaine sélection, d'éviter les pertes ou de couvrir un besoin de dépense à court terme.
Une erreur de probabilité peut inverser le calcul
Gardez la cote à 1.90, mais supposez que la vraie probabilité soit de 52%, et non de 55%. L'espérance de gain réelle par unité est :
0.52 × 1.90 − 1 = −0.012
L'opportunité apparente est désormais une perte espérée de 1.2%. Une fraction de Kelly précise en apparence, calculée à partir d'une mauvaise probabilité, ne protège pas le solde.
Le Kelly fractionné réduit l'exposition par rapport à l'allocation complète du modèle, mais il ne transforme pas une sélection à avantage négatif en sélection à avantage positif. Pour les hypothèses, les variantes et les applications du critère, consultez le traitement de Thorp dans le Handbook of Asset and Liability Management. Thorp, 2008.
Plusieurs positions ouvertes exigent une vision de portefeuille
La formule simple ne justifie pas d'appliquer la fraction complète indépendamment à chaque sélection simultanée. Plusieurs positions peuvent dépendre du même match, de la même équipe, du même championnat ou d'une même erreur du modèle sous-jacent.
Un traitement de portefeuille nécessite la distribution conjointe des issues, le calendrier des règlements et l'exposition totale. Des tickets qui semblent séparés peuvent partager le même risque. Additionner des mises de Kelly calculées individuellement peut surestimer l'allocation totale appropriée.
Pour un traitement plus court des unités et de l'exposition, consultez notre guide de gestion de bankroll.
Paris combinés, round robins et paris système
Un pari combiné exige normalement que chaque sélection gagne. Si toutes les sélections sont indépendantes et si le règlement de chaque sélection (gain total ou perte totale) est compatible avec le pari combiné :
P(tout gagne) = p₁ × p₂ × … × pₙ
Si sa cote décimale est le produit des cotes composantes :
d_combiné = d₁ × d₂ × … × dₙ
Son rendement brut espéré par unité est donc :
rendement brut espéré = ∏(pᵢ × dᵢ)
Prenons quatre sélections hypothétiques indépendantes, chacune avec une probabilité de gain de 55% et une cote de 1.80. Chaque simple a un rendement brut espéré de 0.99 unité par unité misée. Le combiné à quatre sélections présente :
- Une probabilité que les quatre gagnent :
0.55^4 ≈ 9.15%. - Une cote décimale combinée :
1.80^4 = 10.4976. - Un rendement brut espéré :
0.99^4 = 0.96059601. - Un rendement net espéré d'environ −3.94% de la mise.
Le gain potentiel plus élevé ne prouve pas une meilleure valeur. Dans cet exemple, combiner les sélections cumule leurs désavantages.
L'indépendance est essentielle à ce calcul de produit. Si les sélections sont corrélées, leur probabilité conjointe doit être modélisée directement. Même des estimations individuellement favorables ne suffisent pas à établir la valeur d'un prix combiné sans les bonnes hypothèses de dépendance.
Pourquoi le nombre de réussites d'un pari système peut tromper
Un round robin répartit les mises sur plusieurs combinaisons. Quatre sélections contiennent six doubles distincts (paris combinés de deux sélections). Avec une unité sur chaque double, la mise totale est de six unités, et non d'une seule.
Si les quatre sélections indépendantes de l'exemple ont les mêmes probabilités et cotes, chaque double a un rendement brut espéré de 0.99² = 0.9801 par unité. Le portefeuille de six doubles a donc un rendement brut espéré de 6 × 0.9801 = 5.8806 unités pour six unités misées, soit une perte espérée de 0.1194 unité, ou 1.99% du volume de mises.
Les doubles partagent des sélections, donc leurs gains sont dépendants. L'indépendance entre les doubles n'est pas nécessaire pour additionner leurs espérances, mais cette dépendance compte beaucoup pour la variabilité du résultat total.
« Certaines combinaisons ont gagné » n'est pas une mesure du profit. Chaque mise et chaque règlement de ticket doivent être comptés. Notre guide des paris combinés présente la terminologie de base des gains. Pour vérifier la cote, le gain et la probabilité conjointe d'un pari combiné, utilisez notre calculateur de pari combiné.
Arbitrage et couverture sont différents de la prévision d'une issue
Sur un marché simple d'issues mutuellement exclusives et exhaustives, un ensemble de cotes exécutables peut permettre un arbitrage théorique lorsque :
Σ(1 / dᵢ) < 1
La condition décrit une structure de gains mathématique. Une évaluation réelle doit vérifier si toutes les positions requises peuvent être acceptées aux cotes enregistrées et si leurs règles de règlement correspondent. La commission, les mouvements de cotes, les acceptations partielles, les annulations, les restrictions de compte et le risque de contrepartie peuvent modifier le résultat.
La couverture consiste à prendre une autre position qui réduit une exposition existante. Elle peut réduire un risque particulier tout en réduisant aussi le profit espéré ou en ajoutant des coûts. Ni l'existence d'une couverture ni le mot « arbitrage » ne rendent un processus opérationnel sans risque.
Ce guide ne recommande aucune stratégie d'exécution. La distinction est la suivante : les systèmes de prévision estiment des issues incertaines, alors qu'un calcul d'arbitrage idéal compare un ensemble complet de gains contractuels.
Comment tester un système de paris sportifs sans se leurrer
Séparer développement et évaluation
Un backtest applique une règle à des données historiques. Il n'est utile que si le processus respecte ce qui était connaissable et disponible au moment considéré.
Le même jeu de données ne doit pas servir à la fois de source d'idées, de cible d'ajustement et de preuve prétendument indépendante. La littérature générale sur l'évaluation des modèles explique pourquoi la performance apparente sur les données de développement est optimiste. La recherche sur les backtests examine aussi le risque de sélectionner une règle qui paraît performante parmi de nombreuses alternatives. Hastie, Tibshirani et Friedman, 2009 ; Bailey et al., 2017.
Pour des données de sport ordonnées dans le temps, une évaluation vérifiable peut suivre ces étapes :
- Une période d'entraînement antérieure pour estimer les paramètres du modèle.
- Une période de validation ultérieure pour choisir les réglages et les seuils de sélection.
- Une période de test encore plus tardive, laissée intacte jusqu'à ce que ces choix soient figés.
- Un enregistrement prospectif ultérieur, avec des prévisions horodatées avant les événements.
Le test walk-forward répète, dans le temps, un processus explicitement défini d'entraînement puis de test. Chaque prévision de test ne doit utiliser que des informations antérieures. Le réentraînement est légitime lorsqu'il fait partie de la procédure déclarée ; réécrire la procédure après avoir vu un mauvais intervalle constitue une nouvelle étape de développement, et non un test intact.
Auditer les fuites de données
Les problèmes courants de fuite de données comprennent :
- Utiliser les classements de fin de saison pour prévoir des matchs joués plus tôt dans cette même saison.
- Utiliser une cote de clôture pour sélectionner une opportunité supposément identifiée quelques heures plus tôt.
- Inclure un rapport de blessures qui n'était pas encore publié au moment de la décision.
- Répartir des enregistrements étroitement liés entre les jeux d'entraînement et de test sans préserver la chronologie des événements.
- Calculer les décisions de prétraitement ou de sélection de variables sur l'ensemble des données.
Chaque prédicteur doit avoir une heure de publication plausible, et pas seulement une date d'événement. Une question d'audit utile est la suivante : une personne qui établirait cette prévision à cet horodatage aurait-elle pu obtenir exactement cette information ?
Compter les règles qui ont échoué
Si 1000 règles sans lien sont testées et que chacune est évaluée avec un seuil nominal de faux positifs de 5%, environ 50 faux positifs sont attendus sous une hypothèse nulle globale où aucune règle n'a d'effet réel. L'espérance se calcule en additionnant les probabilités individuelles de faux positifs ; l'indépendance n'est pas nécessaire pour cette espérance.
Trouver un résultat séduisant après une recherche large est donc différent de confirmer une règle spécifiée à l'avance. Déclarez le processus de recherche, conservez un test intact et envisagez des méthodes appropriées de tests multiples ou de rééchantillonnage. Une recherche répétée sur l'ensemble de test le transforme en un autre ensemble de développement.
C'est pourquoi une règle compliquée du type « les équipes visiteuses un jour précis de la semaine après deux défaites » exige plus qu'un pourcentage de victoires historique attrayant.
Reconstituer l'exécution et le règlement
Un registre réaliste doit préciser la source des cotes, l'horodatage, la définition du marché, la disponibilité des mises, les frais et le règlement. Les sélections manquantes ne doivent pas disparaître discrètement parce que leur résultat était défavorable.
Par exemple, une prévision publiée à 15:00 ne peut pas être créditée d'une cote qui n'était disponible qu'à 10:00, sauf si le processus a réellement enregistré cette cote et pouvait l'utiliser à ce moment-là. Un gain maximal affiché diffère aussi d'une mise acceptée à cette cote.
Documentez les politiques d'annulation et de règlement partiel, la conversion de devises le cas échéant, et le traitement de l'exposition simultanée. Ce sont des hypothèses qui déterminent le résultat déclaré.
Mesurer séparément les probabilités, les résultats financiers et le risque
Calibration et règles de notation
Une prévision bien calibrée à 60% doit correspondre, sur une collection suffisamment informative de prévisions comparables, à des issues survenant environ 60% du temps. La calibration est une propriété de groupe, et non une promesse qu'un événement particulier réussira.
Un modèle qui prédit seulement le taux de base global peut être calibré et pourtant non informatif. L'évaluation des probabilités doit tenir compte de l'utilité de leurs variations autant que de la calibration.
Les règles de notation strictement propres évaluent les prévisions de probabilité par rapport aux issues observées. Deux pertes courantes pour les événements binaires sont :
Perte de Brier = moyenne[(pᵢ − yᵢ)²]
Perte logarithmique = −moyenne[yᵢ × ln(pᵢ) + (1 − yᵢ) × ln(1 − pᵢ)]
Ici yᵢ vaut un en cas de gain et zéro sinon. Plus la valeur est faible, meilleure est la prévision selon ces conventions. Pour les événements à plusieurs issues, utilisez une définition multi-catégorielle appropriée et précisez son échelle. Une probabilité nulle attribuée à une issue qui se produit donne une perte logarithmique non bornée.
La revue de Gneiting et Raftery explique pourquoi les règles de notation strictement propres récompensent une évaluation honnête des probabilités. Une meilleure performance de notation n'implique toutefois pas automatiquement un profit aux cotes disponibles à l'exécution. Gneiting et Raftery, 2007.
Un rapport de performance minimal
| Mesure | Ce qu'elle décrit | Ce qu'elle n'établit pas |
|---|---|---|
| Taux de réussite | Part des sélections réglées enregistrées comme gagnées selon une convention déclarée | La rentabilité sans les cotes ni les détails de règlement |
| Profit net | Gains moins mises et coûts inclus | Si l'exposition était raisonnable ou si les résultats se répéteront |
| Rendement sur volume | Profit net divisé par le total misé | La croissance du capital de départ ou une certitude statistique |
| Drawdown maximal | Plus forte baisse entre un sommet et un creux sur la courbe de capital déclarée | La pire perte qui pourrait survenir à l'avenir |
| Calibration et scores propres | La qualité des prévisions de probabilité | La disponibilité d'une cote rentable |
| Évolution des cotes ou comparaison avec la cote de clôture | Comment les cotes enregistrées se comparent à une référence ultérieure | La preuve que la référence est exacte ou que le processus est rentable |
| Taille de l'échantillon et intervalle d'incertitude | La quantité de preuves que contient le registre selon les hypothèses déclarées | La protection contre les fuites, le biais de sélection ou le changement de régime |
Le « ROI » et le « yield » sont utilisés de manière incohérente selon les éditeurs. Un rapport doit préciser son dénominateur. Un rendement de 5% sur le volume n'est pas nécessairement un rendement de 5% sur le solde initial, surtout lorsque le même capital est utilisé de façon répétée.
Le drawdown doit aussi être défini : solde réglé, solde incluant les engagements ouverts ou valeur de marché (mark-to-market) peuvent donner des courbes différentes. Une courbe au tracé lisse peut masquer une exposition non réglée.
Ce que la valeur de la cote de clôture peut et ne peut pas montrer
Pour le même résultat et les mêmes conditions de règlement, obtenir une cote décimale supérieure à la cote de clôture ultérieure constitue une comparaison brute favorable des cotes. Un registre peut suivre cet élément comme un indicateur de diagnostic.
Mais la cote de clôture inclut toujours une marge, peut être périmée ou peu liquide, et n'est pas la vraie probabilité par définition. Une comparaison sérieuse doit préciser son marché, son horodatage et sa méthode d'ajustement de la marge. Une amélioration régulière des cotes est une preuve utile sur l'exécution ; ce n'est pas à elle seule une preuve d'espérance de gain positive.
Quelle quantité de preuves suffit ?
Il n'existe pas de nombre minimal universel de paris qui prouve un système. La réponse dépend de l'avantage proposé, de la variabilité des gains, de la dépendance entre sélections, de la sélection des modèles et de la précision requise.
Considérons 1000 sélections hypothétiques indépendantes à gain total ou perte totale, chacune à une cote de 1.90, avec 550 gains et 450 pertes à une unité chacun. Le profit net est :
550 × 0.90 − 450 = 45 unités
Le rendement sur volume est de 4.5%. Le taux de réussite observé est de 55%. Dans un modèle binomial indépendant simple avec une probabilité de gain commune, un intervalle approximatif à 95% par approximation normale pour cette probabilité est :
0.55 ± 1.96 × sqrt(0.55 × 0.45 / 1000)
Il va d'environ 51.9% à 58.1%. La probabilité de seuil de 52.63% se situe à l'intérieur. Le profit observé seul n'exclut donc pas une probabilité de gain sous-jacente égale au seuil de rentabilité, à ce niveau approximatif d'intervalle.
Ce calcul est illustratif, pas un test complet d'un registre réel. Les cotes variables, les matchs partagés, la qualité changeante des sélections, les règles adaptatives et les recherches préalables exigent un modèle plus approprié. Un intervalle d'incertitude ne peut pas corriger un jeu de données sélectionné après que ses résultats sont connus.
Même des preuves historiques solides ne valent que pour le processus et l'environnement testés. Les changements d'équipes, de calendriers, de flux de données, de tarification ou de concurrence peuvent affaiblir un avantage. L'évaluation continue d'un système fait partie de sa définition, et n'est pas un ajout facultatif.
Une liste de contrôle pratique pour évaluer un système présenté
Avant de considérer une affirmation de performance comme significative, vérifiez si elle répond à ces questions :
- Quel est le système ? Séparez la prévision, la règle de sélection, la règle de mise et le processus d'exécution.
- Quelles informations a-t-il utilisées ? Exigez les heures de prévision et les données réellement disponibles historiquement.
- Où sont les probabilités ? Une liste de gagnants n'est pas un modèle de probabilité.
- Quelles cotes étaient disponibles ? Exigez des cotes contemporaines et réellement accessibles.
- Qu'a-t-on testé ? Identifiez les périodes de développement, les tests intacts et toute modification ultérieure des règles.
- Quelle était l'ampleur de la recherche ? Incluez les variantes abandonnées et les essais infructueux dans le registre de recherche.
- Qu'est-ce qui est inclus dans le profit ? Comptez de façon cohérente chaque mise, chaque perte, chaque frais, chaque annulation et chaque règlement partiel.
- Quel risque a été pris ? Mesurez le drawdown, l'exposition ouverte et la sensibilité aux erreurs de probabilité.
- Quelle est l'incertitude des résultats ? Utilisez des méthodes adaptées aux cotes et à la structure de dépendance.
- Qui profite de l'affirmation ? Distinguez une évaluation indépendante de la promotion d'un éditeur.
Les signaux d'alerte incluent un langage de revenu garanti, une progression de récupération présentée comme un avantage mathématique, des captures d'écran sans historique complet et des résultats qui ne peuvent pas être reproduits à partir d'un registre horodaté.
Choisir de ne pas parier ne demande aucune justification statistique. Un modèle peut être intéressant comme exercice de prévision sans être adapté à une exposition financière.
Questions fréquentes
Un système de paris sportifs peut-il garantir un profit ?
Un système de prévision ou de mise ne peut pas garantir l'issue d'événements incertains. Un calcul d'arbitrage idéal peut décrire un gain verrouillé sous ses hypothèses, mais l'exécution réelle, le règlement et les risques de contrepartie doivent quand même être évalués. Une garantie dans une affirmation marketing n'est pas une preuve.
La Martingale est-elle plus sûre parce que la plupart des cycles peuvent se terminer par un petit gain ?
La fréquence des cycles rentables ne tient pas compte de l'ampleur des cycles perdants. Les progressions peuvent échanger de nombreux petits gains contre une probabilité plus faible d'une grosse perte. Avec des bankrolls finies et des limites de mise, la récupération n'est pas assurée ; en dessous de 2.00 de cote décimale, l'arithmétique habituelle du doublement change aussi.
Le critère de Kelly est-il un système de prévision ?
Non. C'est un critère d'allocation qui s'applique à des probabilités, des gains et un objectif donnés. Il ne fournit pas les probabilités et ne vérifie pas qu'un modèle possède un avantage. Des probabilités mal estimées et des positions corrélées peuvent rendre une allocation en apparence précise inadaptée.
Un taux de réussite plus élevé signifie-t-il un meilleur système ?
Pas sans les cotes, les mises, les coûts et le risque. Un taux de réussite élevé à faibles cotes peut quand même faire perdre de l'argent. La qualité des probabilités et la valeur d'une cote doivent être mesurées séparément de la précision brute des prévisions.
Un backtest rentable justifie-t-il l'affirmation d'un avantage durable ?
Il peut motiver une investigation plus poussée, mais il n'établit pas la persistance de l'avantage. Les fuites de données, les tests multiples, les cotes indisponibles et un environnement changeant peuvent expliquer une rentabilité apparente. Des périodes de test indépendantes et un registre prospectif complet constituent des preuves plus solides, avec une incertitude qui persiste.
Les paris système sont-ils la même chose qu'un système de paris ?
Pas nécessairement. Un pari système désigne souvent un ensemble de combinaisons à partir de plusieurs sélections. Il modifie la distribution des mises et des gains. Il n'améliore pas, à lui seul, les probabilités sous-jacentes et n'établit pas d'espérance de gain positive.
Références et portée des preuves
Les références ci-dessous étayent certains concepts mathématiques, de modélisation ou d'évaluation. Aucune ne démontre qu'ABV Tips, ou tout service commercial actuel, dispose d'un système rentable. Les études historiques doivent être lues dans le contexte de leurs propres données, hypothèses et dates de publication.
- Kelly, J. L., Jr. (1956). « A New Interpretation of Information Rate. » Bell System Technical Journal, 35(4), 917–926. DOI : 10.1002/j.1538-7305.1956.tb03809.x. Traitement original reliant l'information et la croissance du capital dans un modèle de jeu déterminé. Reproduction accessible au public hébergée par Princeton.
- Thorp, E. O. (2008). « The Kelly Criterion in Blackjack Sports Betting, and the Stock Market. » Dans Handbook of Asset and Liability Management, 385–428. DOI : 10.1016/B978-044453248-0.50015-0. Traitement ultérieur du critère, de ses applications et de considérations pratiques. Une version manuscrite antérieure et des tirages ultérieurs circulent également ; la date indiquée ici identifie l'édition du manuel citée.
- Dixon, M. J., et Coles, S. G. (1997). « Modelling Association Football Scores and Inefficiencies in the Football Betting Market. » Journal of the Royal Statistical Society: Series C (Applied Statistics), 46(2), 265–280. DOI : 10.1111/1467-9876.00065. Modélisation des scores de football et examen historique d'une stratégie de paris qui en découle. Notice de l'université de Lancaster.
- Štrumbelj, E. (2014). « On Determining Probability Forecasts from Betting Odds. » International Journal of Forecasting, 30(4), 934–943. DOI : 10.1016/j.ijforecast.2014.02.008. Méthodes permettant de dériver des probabilités à partir des cotes publiées, et importance de l'ajustement choisi.
- Levitt, S. D. (2004). « Why Are Gambling Markets Organised So Differently from Financial Markets? » The Economic Journal, 114(495), 223–246. DOI : 10.1111/j.1468-0297.2004.00207.x. Analyse empirique de la tarification, du comportement des parieurs et de l'exposition des opérateurs sur le marché étudié. Article hébergé par l'auteur à l'Université de Chicago.
- Gneiting, T., et Raftery, A. E. (2007). « Strictly Proper Scoring Rules, Prediction, and Estimation. » Journal of the American Statistical Association, 102(477), 359–378. DOI : 10.1198/016214506000001437. Revue et développement des règles de notation strictement propres pour les prévisions de probabilité. Article hébergé par l'auteur à l'Université de Washington.
- Hastie, T., Tibshirani, R., et Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction, deuxième édition. Springer. DOI : 10.1007/978-0-387-84858-7. Référence générale sur l'apprentissage statistique, la complexité des modèles, l'évaluation et la sélection des modèles. Site web des auteurs du livre.
- Bailey, D. H., Borwein, J. M., López de Prado, M., et Zhu, Q. J. (2017 ; première publication en ligne en 2016). « The Probability of Backtest Overfitting. » The Journal of Computational Finance, 20(4), 39–69. DOI : 10.21314/JCF.2016.322. Sélection des backtests et surajustement dans la recherche financière ; cité pour le problème général d'évaluation, et non comme test empirique des prévisions sportives. Manuscrit antérieur hébergé par l'auteur.
Note éditoriale et de calcul : Les exemples numériques ont été construits pour cette explication et suivent les hypothèses indiquées à côté d'eux. Ce ne sont pas des résultats observés, des inefficiences de marché découvertes de manière indépendante ni une nouvelle étude académique. Le texte est une synthèse originale ; il ne reprend pas la formulation de Wikipédia. L'accessibilité des sources varie : un DOI ou une notice universitaire peut ne fournir que des métadonnées et un résumé, et non un texte intégral libre.
18+ et risques financiers : Les paris sportifs peuvent causer un préjudice financier. Les résultats passés ne garantissent pas les résultats futurs. Aucune règle de mise ne rend acceptables des pertes qu'on ne peut pas se permettre. Si le jeu vous cause de l'inquiétude, arrêtez et cherchez de l'aide auprès de Gambling Therapy, un service d'aide international.